on
커스텀 데이터 셋으로 Yolo 써 보기 1
YOLO를 위한 데이터셋을 만들고 학습시키기까지 시도해 보았다. 방학이라 할 일이 없어서 7개 종류의 표지판을 실시간으로 태깅하는 모델을 만들고 테스트 해 보고 싶었다.
Dataset 만들기
동영상 준비
Team. HEVEN_A (자율차 2018팀)이 2018년 5월 연습 주행 때 웹캠으로 이미 녹화해 뒀던 로그 동영상을 이용했다.
동영상 캡처하기
5월에 서로 다른 두 날에 찍은 10개의 로그 동영상을 하나씩 읽어 shape detection 알고리즘(자율차 팀원이 개발해둔 것)을 거친 뒤 표지판이 있을 만한 프레임을 골라서 이미지로 저장하게 했다. python 스크립트를 작성해서 사용했다.
이미지 선별하기
shape detection의 정확도가 그리 높지 않아 스크립트를 거친 후에도 약 15,000장의 이미지가 나왔다. 그래서 수작업으로 먼저 표지판이 없거나 있더라도 너무 작은 이미지를 지웠다. 그래도 약 6,800개의 이미지가 남아서 그냥 한 class당 10개의 이미지를 임의로 선별하기로 했다. 총 70개 이미지의 데이터셋을 만들었다.
Yolo_mark를 이용해 dataset 만들기
how-to-train-to-detect-your-custom-objects를 통해 방법을 자세히 알 수 있었다. 그리고 Yolo_mark를 이용하면 쉽게 Yolo 학습용 데이터 셋을 만들 수 있다. 다음과 같이 생겼다.
Yolo_mark/x64/Release/data 안에 예시 파일이 있어서 그것을 보고 필요한 파일들을 준비했다. 필요한 학습 데이터는 다음과 같다. img1은 임의의 이미지 데이터 이름이다.
img1.jpg: 웹캠으로 녹화한 동영상의 전체 화면을 캡처한 이미지들이다.img1.txt:<object-class>, <x>, <y>, <width>, <height>의 내용이 한 줄씩 작성되어 있다. 각 줄은 해당 이미지에 존재하는 오브젝트의 종류, 그 오브젝트가 존재하는 x좌표, y좌표, 너비와 높이를 의미한다. 한 이미지 내에 여러 오브젝트가 있을 경우 여러 줄이다. Yolo_mark를 이용해 생성한다.
모든 이미지들에 대해 위의 세트를 모아서 한 디렉토리에 넣어 둔다. (예시 파일에서는 ./img) 그리고 예시 파일을 보고 아래의 파일도 준비한다.
obj.data: 커스텀 데이터에 대한 몇 가지 설정을 작성한다.obj.names: class 이름을 한 줄에 하나씩 적어 준다.train.txt:data/img/img1.jpg와 같이 학습시킬 이미지의 경로와 이름을 한 줄에 하나씩 적어 준다. (Yolo_mark를 이용하면 자동으로 생성된다)
학습 준비
CUDA 및 cuDNN 설치
머신은 우리 동아리 컴퓨터의 GeForce GTX 1070을 사용했다. CUDA는 9.1, cuDNN은 7.0을 사용했다.
darknet 다운로드하고 빌드하기
darknet은 Yolo 개발자가 제공하는 프레임워크로, 이미 구현된 Yolo 소스코드를 함께 제공한다. Windows 환경에서 돌려 보기 위해, github에 있는AlexeyAB/darknet/build/darknet을 사용했다. 로컬에 clone 한 뒤 README를 잘 읽으며 따라했더니 빌드할 수 있었다. (Linux 버전은 Yolo 개발자의 원본 저장소에 있다.)
configuration
.cfg 파일을 작성하여 몇 가지 설정을 해 준다. 아까의 그 How to train을 보고 위 저장소의 yolov3.cfg를 복사하여 수정했다. batch나 subdivisions 등을 설정할 수 있다. 설정에 따라 학습 결과가 달라질 것을 예상할 수 있다.
학습. . .
너무 오래 걸린다.
- 뭔가 설정을 잘못 했거나
- 데이터 셋의 질이 좋지 않거나
- 원래 오래 걸리거나…
일단은 기다려 보고 있다. 시간이 되는 한에서 여러 설정값으로 학습시켜 볼 생각이다.
추가: 2편을 작성했다.